人臉識別是生物特征識別的重要組成部分。90年代後期進入主要應用階段，主要在美、德、日的技術上。對近年來國內的相關技術進行了總結。面部識別也是壹個嚴重的安全隱患，在我們方便的時候被攻擊或者惡意攻擊。因此，對於人臉識別技術和人臉數據庫的應用，必須嚴格控制人臉識別模型的結構，並對人臉數據進行嚴格的技術和立法保護。
狀態生物特征在人臉識別技術中的應用主要由指紋、聲紋、人臉、虹膜等固有生理特征和行為特征(如筆跡、聲音、步態等)組成。).與其他生物識別技術相比，人臉識別具有高準確率、非接觸性、速度快等特點，越來越多地應用於政府、軍事、金融、電子商務、安防、娛樂等領域。
美國聯邦調查局(美國聯邦調查局)的新壹代身份數據庫(NGI)新增了超過65438+億條個人指紋信息記錄，包括各種生物特征數據，收集了超過壹半的美國成年人。澳大利亞移民和邊境保護局開始使用新的入境系統，即“免費”，設立電子掃描站，利用生物識別技術識別移民遊客的面部、眼睛、虹膜和指紋，取代了退出護照的傳統。近年來，中國的面部識別技術也發展迅速。人臉識別作為智能社會的核心技術，繁榮發展，應用廣泛，各種潛在的安全風險不可避免。比如2017年“三月15”晚會上，主持人在現場技術人員的支持下只拍了壹張觀眾的自拍，“刷臉登錄”認證系統就成功了。
人臉識別技術面臨的攻擊手段和風險，如人類面部數據的侵犯、泄露、竊取和非法交易利用，是人臉識別技術和數據庫面臨的主要風險。如果這些安全隱患無法通過技術、政策和法律法規來解決，就不得不凸顯人臉識別技術發展“雙刃劍”的瓶頸。
人臉識別算法的攻擊。合法用戶的身份需要成為獲取合法用戶面部照片、視頻等數據的前提條件。中國的安全團隊獲得了更多的威脅攻擊手段，不同用戶的完整人臉照片繞過了識別系統。這種攻擊意味著深化圖像識別的應用導致逃逸攻擊和數據汙染攻擊。它不依賴於特定的深度學習模型，對於當前主流的深度學習框架(如Tensorflow、Caffe)是有效的。